Verdeling van de bijstandsmiddelen in 2019

Transcriptie

1 Advies Over het voorstel voor de Verdeling van de bijstandsmiddelen in 2019 Opgesteld voor het ministerie van SZW Prof. Dr. M.A. Allers 8 juni 2018 COELO Centrum voor Onderzoek van de Economie van de Lagere Overheden

2 1 Achtergrond In opdracht van het ministerie van SZW hebben SEO en Atlas voor gemeenten het kansmodel dat ten grondslag ligt aan het verdeelmodel voor de bijstandsmiddelen (BUIG) uit 2018 geactualiseerd voor gebruik in Ook is onderzocht of een drietal mogelijke verfijningen het model zouden verbeteren. Daarnaast is onderzocht of de bestaande prijscomponent kan worden vervangen door een betere. De bestaande prijscomponent maakt gebruik van de wettelijke normbedragen. Gebleken is echter dat zaken als deeltijdwerk naast de bijstandsuitkering of het ontvangen van andere uitkeringen naast de bijstand tot bijstandsuitkeringen kunnen leiden die aanzienlijk afwijken van de standaard normbedragen. Daarom is onderzocht of gebruik kan worden gemaakt van objectieve factoren die de feitelijke hoogte van een bijstandsuitkering beïnvloeden om het verdeelmodel te verbeteren. 2 Procedure Op verzoek van het ministerie van SZW hebben drie onafhankelijke deskundigen zitting genomen in de expertgroep die de onderzoekers bijstond. Naast mijzelf waren dit Bart Leurs (ROB) en Bas van der Klaauw (VU). Tijdens de bijeenkomsten van de expertgroep is in detail ingegaan op de te nemen stappen en zijn de problemen en te maken keuzes uitgebreid besproken. Naast de bijeenkomsten van de expertgroep heb ik de bijeenkomsten bijgewoond van de begeleidingscommissie. In dit document geef ik mijn advies over het door de onderzoekers voorgestelde model, zoals verwoord in hun rapportage van mei 2018 (Verdeling van de bijstandsmiddelen De hoogte van een uitkering nader bekeken). 3 Volumecomponent Vorig jaar is de volumecomponent van het model dermate verbeterd dat verdere verbetering nog maar beperkt mogelijk is. De onderzoekers hebben het bestaande model nu opnieuw geschat met meer actuele gegevens. Voor 2019 worden niet exact dezelfde bronnen en operationalisaties gebruikt, deels omdat dit niet mogelijk is wegens niet-beschikbare gegevens, deels omdat aanpassing wenselijk was. Dit heeft weinig gevolgen voor de uitkomsten. Als tweede stap is nagegaan of het model nog op enkele punten verbeterd kon worden. Gekeken is naar: 1) aanpassing van de schatting van de nieuwe doelgroep (die voorheen in de Wsw of Wajong kon stromen), 2) de mogelijkheid om de objectieve verdeling ook op instellingsbewoners toe te passen en 3) opname van een indicator voor het gebruik van jeugdzorg in het huishouden. De onderzoekers concluderen dat verbeteringen op deze punten, gegeven de beschikbare gegevens, niet mogelijk zijn. 2

3 Ik onderschrijf deze conclusie. De volumecomponent uit 2018 kan, met de aanpassingen die in de vorige alinea zijn beschreven, ongewijzigd worden toegepast voor de verdeling in Prijscomponent 4.1. Model De onderzoekers hebben veel werk gemaakt van het ontwikkelen van een model dat de hoogte van de uitkering verklaart. Hiermee kan per huishouden worden geschat hoe hoog een eventuele bijstandsuitkering zou zijn. Het model bevat objectieve factoren die de kans op deeltijdwerk (naast de bijstand) beïnvloeden en gegevens over de ontvangst van andere uitkeringen (AO-, WW-, ANW-uitkering, ziektewet, wachtgeld of overige uitkering en pensioenuitkering). Deeltijdwerk zelf zit er niet in, omdat dit gevoelig is voor gemeentelijk beleid. In plaats daarvan zijn kenmerken opgenomen die de kans op deeltijdwerk verklaren, zoals de huishoudsamenstelling, de human capital index en het optreden van gezondheidsproblemen. Net als in eerdere onderzoeksronden is gebruik gemaakt van een toetsingskader om na te gaan welke factoren in het model moeten worden opgenomen. Naar mijn idee is dit op een correcte manier gebeurd Dataproblemen De onderzoekers stuitten op het probleem dat een deel van de benodigde gegevens niet van goede kwaliteit is, en dat peildata niet altijd goed op elkaar kunnen worden aangesloten. De onderlinge vergelijkbaarheid van gegevens tussen gemeenten is niet optimaal. Jaarbedragen hebben bovendien niet altijd betrekking op het relevante uitkeringsjaar door nabetalingen of andere verrekeningen en bevatten ook bedragen die niet onder het bijstandsverdeelmodel vallen (zoals uitkeringen aan adreslozen en instellingsbewoners). Correctie van de gegevens is maar zeer beperkt mogelijk. Om het model niet in een later stadium te hoeven corrigeren voor de verschillende normbedragen die voor verschillende huishoudtypengelden, zijn de bruto jaarbedragen die uit de beschikbare databestanden konden worden afgeleid gedeeld door de normbedragen. De zo berekende fractie bleek bij 14 procent van de huishoudens groter te zijn dan 1. In die gevallen is in een jaar dus meer uitbetaald dan 12 keer het maandelijkse normbedrag. In sommige gevallen is daar een goede reden voor die in het verdeelmodel zou moeten worden gehonoreerd, maar in veel gevallen ook niet. Een voorbeeld van het eerste is een scheiding, waardoor een uitkering voor een paar verandert in twee uitkeringen voor alleenstaanden. Voorbeelden van het tweede zijn nabetalingen, door gemeenten verkeerd uitgevoerde bruteringen en maatwerk. Het is niet mogelijk om beide elementen te scheiden. 3

4 4.3. Keuzes Gezien deze problemen rijst de vraag of het met de beschikbare gegevens zinvol is om de prijscomponent inderdaad te vernieuwen. Mijn inschatting is van wel. Ik denk dat, ondanks de beperkingen, rekening houden met verschillen in ontvangen uitkeringen nog steeds een aanzienlijke verbetering betekent ten opzichte van het gebruik van de normbedragen, zoals bij de verdeling in 2018 nog het geval is. De onderzoekers laten immers zien dat objectieve factoren duidelijk van invloed zijn op de prijs. In dat geval moet nog een tweetal keuzes worden gemaakt. De eerste betreft de zogeheten uitkomstmaat. Om te voorkomen dat dataproblemen een te grote bedreiging vormen voor de kwaliteit van de modeluitkomsten adviseren de onderzoekers de fractie (jaarbedrag gedeeld door norm) af te kappen. Zo wordt de invloed van uitbijters beperkt en wordt eigen beleid zo min mogelijk gehonoreerd. Probleem daarbij is dat er niet een objectieve manier bestaat om het beste afkappunt te bepalen: 100 procent van de relevante bijstandsnorm, 115 procent, of een ander percentage? Zelfs bij een fractie kleiner dan 1 kan er sprake zijn van gegevensfouten. De onderzoekers stellen voor af te kappen op 100 procent van de relevante bijstandsnorm. Mijn indruk is dat niet goed valt te bepalen welk afkappercentage optimaal is, en dat de verschillen in de uitkomsten bij percentages als 100, 110 of 115 beperkt zijn. Voor de eenvoud is dan veel te zeggen voor het voorgestelde percentage van 100. De tweede te maken keus is of in het model voor de prijscomponent alle factoren uit het volumemodel moeten worden gebruikt, of een beperktere set factoren. Met dit laatste kan worden geprobeerd te voorkomen dat de in het model onderscheiden groepen zo klein worden dat data-imperfecties een te grote invloed hebben op de uitkomsten. Daarbij kan bijvoorbeeld worden gedacht aan het (ongewenste) honoreren van bepaalde vormen van gemeentelijk beleid in de verdeling. De onderzoekers stellen voor om groepen uit het volumemodel samen te voegen. Zo worden huishoudens met een corporatiewoning en huishoudens op een standplaats samengevoegd tot een groep huishoudens met een corporatiewoning of een standplaats. Het is dus niet zo dat bepaalde groepen buiten het model vallen, maar van dergelijke groepen wordt een gemiddeld effect meegenomen. Dat is niet ideaal, maar ik ben het met de onderzoekers eens dat dit nadeel opweegt tegen het voordeel dat zo schadelijke gevolgen van dataimperfecties kunnen worden beperkt (zij het dat die niet helemaal kunnen worden voorkomen). Anderzijds zal samenvoeging van kenmerken in het model bij gemeenten de indruk kunnen wekken dat geen recht wordt gedaan aan hun specifieke omstandigheden. Begrip wekken voor de gevolgen van data-onvolkomenheden bij mensen zonder statistische achtergrond is natuurlijk moeilijk. Samenvoeging beperkt dus de uitlegbaarheid. Samengevat steun ik de door de onderzoekers gemaakte keuzes: afkappen bij 100 procent en beperking van het aantal onderscheiden kenmerken. Anderzijds denk ik dat een iets ander percentage of afzien van modelbeperking nog steeds zal leiden tot een model dat beter is dan het bestaande. Als dit zou leiden tot een grotere uitlegbaarheid en een bredere maatschappelijke acceptatie dat zou dit een te rechtvaardigen keuze kunnen zijn. 4

5 5 Uitkomsten en herverdeeleffecten De uitkomsten van het model geven geen aanleiding om de gekozen aanpak te heroverwegen. De regressie-uitkomsten zijn plausibel. De herverdeeleffecten zijn iets kleiner dan die van het bestaande model, maar dat zegt niet al te veel, zoals ook in het rapport wordt aangegeven. 6 Conclusie De onderzoekers hebben veel werk gemaakt van het ontwikkelen van een model dat niet alleen de kans op bijstand maar ook de hoogte van de uitkering verklaart. Zij hebben een verdeelmodel gebouwd dat duidelijk beter is dan het bestaande. Gegeven de beperkte beschikbaarheid en kwaliteit van gegevens is het naar mijn inschatting niet goed mogelijk om op dit moment een model te maken dat beter scoort. De komende jaren zal regulier onderhoud van het model nodig zijn, maar een herziening lijkt pas zinvol of nodig te zijn wanneer de hierboven genoemde dataproblemen sterk zijn verkleind, of wanneer beleidsmaatregelen ervoor zorgen dat dit model de bijstandslast van gemeenten niet goed meer kan verklaren. Mijn advies is om het voorgestelde model te gebruiken voor de verdeling van de bijstandsgelden in 2019 en daarbij de door de onderzoekers voorgestelde keuzes te volgen. Ook in de jaren na 2019 kan dit model vooralsnog worden gehanteerd. 5